玻尔百科当一种新疫苗问世或一项公共卫生运动启动时，一个简单而深刻的问题随之产生：它有多大效果？回答这个问题需要的不仅仅是直觉，更需要一个量化预防效果的精确框架。本文探讨了可预防比例这一概念，它是流行病学和公共卫生领域的基石性指标，旨在衡量保护性暴露和干预措施的影响。它解决了如何从一个简单的观察——受保护群体中生病的人更少——转变为对干预措施成功与否的稳健、量化的陈述这一挑战。
我们将首先探讨其基本的原理与机制，学习如何为个体和人群计算可预防比例，并揭示其与其他关键流行病学指标之间优雅的数学关系。随后，本文将探索其多样的应用与跨学科联系，展示这一强大概念如何为从疫苗效力试验、临床决策到大规模公共卫生政策的预测等各个方面提供信息。读完本文，您将全面理解如何计算预防效果，并能批判性地思考其测量方法及现实世界中的影响。
假设一种新疫苗上市了。一些人接种了，另一些人没有。流感季结束后，我们统计患病人数。我们发现，正如预期的那样，接种疫苗的人中得流感的较少。一个简单的问题是：疫苗究竟起到了多大作用？这个问题看似直截了当，但要正确回答它，却是一场深入科学推理核心的旅程。它迫使我们精确定义“作用”的含义，明确其作用对象和适用情境。我们在此过程中开发的工具不仅适用于流行病学家，它们是在复杂世界中思考因果、效应和预防的基本方式。
让我们从最直接的比较开始。我们有两组人，他们在所有重要方面都相似，只有一个区别：一组接种了疫苗，另一组没有。这是队列研究的经典设置。在一个季节里，我们测量每组的风险——即患病人群的比例。
我们称接种疫苗（暴露）组的风险为 ，未接种疫苗（非暴露）组的风险为 。假设在一项研究中，我们发现接种者的风险是3/100（），而未接种者的风险是10/100（）。
比较这些风险的第一个、最直接的方法是计算它们的比值，即相对风险 ()：
在我们的例子中，。这个数字小于1，证实了我们的猜想：该疫苗具有保护作用。接种疫苗者的风险仅为未接种者的倍，即30%。
但这似乎不是讨论效益最自然的方式。我们通常谈论的是预防了什么，而不是还剩下多少风险。那么，让我们换个角度提问。如果一个未接种者的风险是 ，而接种疫苗将其风险降至 ，那么消失的风险量就是差值：。要将其表示为一个比例，我们必须问：占什么的比例？最合乎逻辑的基准是原始风险，即在没有保护性暴露的情况下您将面临的风险。这就得到了暴露人群可预防比例 ()：
这个优美的小公式量化了为那些接种了疫苗的人所消除的风险比例。稍作代数运算，便可揭示它与相对风险之间一个极其简单的联系：
这个关系简单而深刻。它告诉我们，剩余风险的比率 () 和已预防风险的比例 () 这两个概念是同一枚硬币的两面。如果相对风险是，那么可预防比例就是。这意味着，对于接种了疫苗的人来说，疫苗消除了70%本可能发生的病例。这个量，，通常被称为疫苗效力。在另一项研究中，一种疫苗的相对风险可能是，这立刻告诉我们其效力是，即80%。
现在，让我们来玩一个科学家们钟爱的游戏。如果我们从一个不同的视角看待这种情况会怎样？流行病学长期以来都有一种工具，用于衡量有害暴露（如吸烟）的影响。这就是暴露人群归因分数 ()，其标准公式为：
请注意其中细微但至关重要的区别：分子中减法的顺序颠倒了，分母是 ，即暴露组的风险。对于有害暴露，当 时，该分数为正，它告诉我们暴露组中有多大比例的疾病是“由”该暴露“导致”的。
但如果我们执意将这个公式应用于我们具有保护性的疫苗，即 的情况，会发生什么呢？分子 会变成负数 [@problem_id:4910879, @problem_id:4572091]。对于我们正在使用的例子， 和 ，我们得到：
一个负数！这不是错误，而是一个指示牌。数学在告诉我们，这种暴露不是增加风险，而是减少风险。这个负号是“保护性”一词在数学上的回响。
现在，一个诱人（但错误！）的想法可能是，认为可预防比例 只是这个负数 的绝对值。我们来验证一下。我们发现 。但我们从前面知道 。显然， [@problem_id:4572091, @problem_id:4544875]。
它们为什么不同？因为它们问的是不同的问题，锚定于不同的世界。 问的是：“在本应存在的风险（）中，有多少被预防了？”而 问的是：“在现有的风险（）中，与非暴露组相比，其比例差异是多少？”
然而，这两个概念并非毫无关联。它们是亲属，由一种隐藏的关系联系在一起。通过一些代数运算，我们可以证明，对于任何暴露 [@problem_id:4572179, @problem_id:4544810]：
让我们用我们的例子来验证：。成立！这正是自然界以及我们用以描述它的数学常常揭示的那种内在统一性。一个用于衡量危害，一个用于衡量效益，这两个分数被我们旅程起点的相对风险这一指标巧妙地联系在一起。
一种疫苗80%的效力是医学的胜利，但市长或公共卫生主管需要了解更多。他们必须问：“我的城市有一个覆盖率为60%的疫苗接种计划。对整个社区的效益是什么？”。个体的效益不会自动转化为人群的效益。
要回答这个问题，我们需要知道人群的总体风险 。这只是两组风险的加权平均值，权重是它们在人群中的规模。如果接种疫苗的人群比例（暴露流行率）是 ，那么：
现在我们可以定义人群可预防比例 ()。它衡量的是在整个人群中预防的病例比例，其参照系是一个假设的世界，在那里疫苗不存在，每个人的风险都是较高的 。
让我们使用一项研究的数据，，，疫苗接种覆盖率 。总人群风险为 。那么人群可预防比例为 。
这看起来有点繁琐。有没有更直观的方法？有的。和之前一样，一个简单而优美的关系就隐藏在显而易见之处。对人群的总效益 () 就是赋予每个暴露者的效益 () 乘以实际暴露的人群比例 ()。
这个公式非常强大。在我们的例子中，疫苗效力为 。在60%的人口接种疫苗的情况下，人群可预防比例为 。这意味着，现行的疫苗接种计划已经预防了48%的病例，这些病例是在没有任何人接种疫苗的情况下本会在整个城市发生的。这种联系是直接且直观的：人群效益等于个体效益乘以计划的覆盖范围。这也引出了其他问题，比如如果我们将疫苗接种扩大到每个人，可以避免当前病例的多大比例。
我们计算出一个项目“预防”了48%的病例。但是等等。我们对计算过程非常谨慎，但在语言上却进行了一次巨大的信念飞跃。我们假设从观测数据中计算出的数字反映了真实的因果现实。这种飞跃是合理的吗？。
我们计算出的是关联性可预防比例。它描述了我们收集的数据中的一种统计关系。而我们想要声称的是一个因果性可预防比例——一个关于在反事实世界中，如果我们进行干预并移除暴露，将会发生什么的陈述。
要实现这一飞跃，我们必须相信，我们的非暴露组能够完美地代表暴露组在未暴露情况下会发生什么。若不经仔细思考，这种情况很少是真实的。要跨越从关联到因果的桥梁，我们需要满足一系列苛刻的假设：
可交换性（或无混杂）： 接种组和未接种组从一开始就真的具有可比性吗？还是更健康、更谨慎的人选择了接种疫苗，而那些有基础疾病或从事更高风险行为的人没有？如果两组在这些其他方面存在差异，我们测量的就不仅仅是疫苗的效果，而是作为一个健康、谨慎的人的效果。这被称为混杂，是观察性研究的巨大克星。
一致性与SUTVA： 我们所说的“接种疫苗”具体指什么？对每个人来说，是同一种疫苗、同一个剂量吗？而且，对传染病至关重要的是，我的疫苗接种对未接种疫苗的邻居的风险有无影响？这种个体间“无干扰”的思想是一个核心假设，称为稳定单位治疗价值假设（Stable Unit Treatment Value Assumption, SUTVA）。对于能够减少传播的疫苗，这个假设常常被违反，导致了我们简单公式无法捕捉的群体免疫现象。
正值性： 在我们研究中，对于每一种类型的人（例如，患有糖尿病的70岁老人），我们是否真的既有接种疫苗的样本，也有未接种的样本？如果所有患有糖尿病的70岁老人都接种了疫苗，我们就没有数据来估计他们在其他情况下的风险会是多少。
无测量或随访偏倚： 我们是否正确地测量了一切？我们是否准确地识别了谁生病了、谁接种了疫苗？是否有一组比另一组有更多的人退出研究？任何这些问题都可能系统性地扭曲我们的结果。
这个清单并非意在让我们绝望，而是为了让我们成为更好的科学家。我们计算出的数字—— 和 ——非常有用。它们提供了一种精确的语言来描述我们观察到的世界。但是，要用它们来声称我们的干预措施导致了什么，需要谦逊、怀疑和对科学背景的深刻理解。计算是对话的开始，而不是结束。真正的工作在于设计研究和分析数据，使从关联到因果的飞跃尽可能可信。
在熟悉了可预防比例的原理和机制之后，我们现在踏上一段旅程，看看这个简单的理念如何在广阔的科学和社会领域中绽放成为一个强大的工具。它是我们从单纯的计算通往拯救生命的决策、从实验室发现通往全球健康战略所搭建的桥梁。在这里，数字变得鲜活起来。
让我们从人类最伟大的胜利之一：疫苗接种开始。当一种新疫苗被研发出来时，第一个问题是：“它的效果如何？”这是一个关于个体保护的问题。如果你接种了疫苗，你个人患病的风险降低了多少比例？这正是暴露人群可预防比例——我们通常称之为疫苗效力的量。效力为的疫苗是一件了不起的事情；这意味着它预防了接种者中本可能发生的的疾病。
但是，一位公共卫生官员必须问一个不同的、更宏大的问题：“有了这种疫苗，我们能预防整个人群疾病负担的多大比例？”这就是人群可预防比例。在这里我们发现一个优美而简单的真理：对整个社区的影响不仅取决于疫苗的内在质量，还取决于我们成功为多少人接种了疫苗。一种完美的疫苗如果只覆盖了极小部分人口，其对整体的影响将微不足道。相反，一种效果中等的疫苗若能广泛覆盖，则能为公共卫生创造奇迹。人群可预防比例，本质上是个体效力乘以我们所保护的人口比例。它巧妙地捕捉了科学创新与部署它所需的社会努力之间的相互作用。
同样的逻辑也从预防健康人的疾病延伸到治疗病患。对于一个决定采用预防性治疗的临床医生来说，风险降低这个抽象概念通过一个优美直观的数字变得具体起来：需治数（NNT）。通过计算一种疗法提供的绝对风险降低值，我们可以问：“我必须用这种药物治疗多少人一年，才能预防一次心脏病发作、一次中风或一次感染？”NNT就是这个绝对风险降低值的倒数。它将一个群体统计数据转化为一个为获得切实回报所需努力的具体衡量标准，为临床决策和患者咨询提供了有力的基础。
许多疾病在出现症状之前最容易被挫败。这就是筛查的世界。想象一下，对一种无症状感染进行筛查测试，如果不加以治疗，这种感染可能导致像盆腔炎这样的严重疾病。如果我们有一种能完美阻止其发展的治疗方法，那么什么限制了我们的成功呢？可预防比例的逻辑给出了一个惊人简单而深刻的答案：我们的成功仅受限于我们发现病例的能力。我们预防的潜在疾病总比例，就等于我们的筛查项目成功检测出的无症状感染的比例。这场战斗的胜负取决于现场，取决于我们的诊断和公共卫生推广工作的成功。
当我们面对一个有多种病因的疾病时，这个想法会变得更加深刻。以肛门生殖器疣为例，它是由多种类型的人乳头瘤病毒（HPV）引起的。一种疫苗可能效果非凡，比如说有效，但仅针对两种最常见的病毒元凶——HPV-6和HPV-11。如果这两种类型导致了所有疣的（即病因分数），那么该疫苗对获得疣这一临床结果的总体有效性是多少？疫苗无法预防由其他HPV类型引起的疣。因此，预防病例的总比例是疫苗的高效力乘以它实际设计针对的疾病的比例。总体保护效果的上限取决于我们对疾病病因的理解。你只能预防你的工具所能解决的那部分问题。
也许这个框架最令人兴奋的应用是它能像水晶球一样——一种预测我们决策影响的方式。公共卫生常常关注于调整风险因素：鼓励体育锻炼、降低高血压，或实施使健康选择更容易的政策。可预防比例，以一种常被称为潜在影响分数（PIF）的形式，让我们能够提出强有力的“如果……会怎样”的问题。
如果一场全国性的运动能将身体活动不足的患病率从降至会怎样？如果新的政策和治疗能将患有未控制高血压的成年人比例降低五分之一会怎样？利用我们对与这些行为相关的相对风险的了解，我们可以计算出在整个人群中预计将预防的心血管事件或认知损害病例的比例。这些计算不仅仅是学术性的；它们是循证政策的基石，使我们能够估算大规模健康计划的投资回报。我们甚至可以模拟复杂的行为转变，例如“完整街道”政策如何将人们从久坐不动转变为高度活跃等多个体育活动类别，并计算总的人群效益。当然，这种能力伴随着责任。此类预测依赖于一系列关键假设：观察到的关联是因果关系，其效果在不同人群中相当一致，并且没有其他混杂因素在暗中起作用。对这些假设保持诚实是良好科学的标志。
这条推理路线将我们引向公共卫生领域最深刻、最反直觉的真理之一：预防悖论。假设我们有一项预防哮喘的干预措施。它在一个小规模、高风险群体中的效果是在规模大得多的低风险普通人群中效果的两倍。我们预防的大多数病例将来自哪里？常识可能会指向高风险群体。但数学揭示了相反的情况。因为低风险群体如此庞大，即使他们个体风险的微小降低也能产生大量的预防病例——远远超过小规模高风险群体中风险的大幅降低所带来的效果。为多数人带来的小益处超过了为少数人带来的大益处。这就是为什么全人群范围的策略，即通过微小量级改变整个风险分布——例如减少加工食品中的盐或推广主动交通——通常是我们拥有的最强大的工具。
到目前为止，我们讨论的比例都是静态的快照。但在传染病的世界里，预防是一场与时间的赛跑。思考一下流行病期间接触者追踪的紧张工作。一个感染者的传染性不是恒定的；它随时间起伏，通常在早期达到顶峰。隔离其接触者的目标是防止他们将病毒传染给他人。这里的“可预防比例”是他们总传染性中发生在他们被安全隔离之后的部分。
这个过程中的每一个延迟——从症状出现到接受检测，从检测到获得结果，从结果到访谈病例，以及从访谈到通知并隔离接触者——都会蚕食可预防的比例。即使是一天的延迟，也可能意味着是在接触者传染性高峰前将其捕获，还是完全错过。在这种动态背景下，可预防比例不是一个固定的数字，而是一个随时间迅速衰减的函数。它提供了一个鲜明、量化的证明，说明了为什么在疫情控制中“速度就是一切”，将后勤效率与避免的传播数量直接联系起来。
从医生的诊室到政府的大厅，从疫苗的设计到流行病应急响应的紧张节奏，可预防比例这一概念证明了自己是不可或缺的指南。它是一个简单而深刻的理念，不仅帮助我们理解我们干预措施的力量，也揭示了它们的局限性，展现了将我们的行动与全人类的健康福祉联系起来的复杂而优美的数学原理。